第一章：避障基础与环境搭建
大家好，我是你们的讲师。在机器人行业摸爬滚打了十来年，我踩过的坑比走过的路还多。今天咱们开始第一讲——避障基础与环境搭建。说白了，就是先把家伙事儿备齐了，后面才能真刀真枪地干。
本章核心目标：搞懂避障技术到底在解决什么问题，然后亲手搭出一套能跑能跳的仿真环境。别小看这一步，我见过太多人算法写得飞起，结果一跑仿真就崩——环境没搭对。
1.1 课程介绍：我们到底要学什么？
这门课不是讲理论推导的。我的风格很直接——咱们要解决的是「机器人怎么在乱七八糟的环境里不撞墙」这个实际问题。
你想想看，一个扫地机器人要是连拖鞋都躲不开，那还叫智能吗？更别说仓储机器人、无人驾驶这些场景了。我个人习惯把避障问题分成三层：
- 感知层：机器人得「看见」障碍物。激光雷达、深度相机、超声波……各有各的脾气。
- 规划层：看见障碍物之后，怎么绕过去？A*、DWA、TEB……算法多得让人眼花。
- 控制层：规划好了路径，机器人能不能稳稳当当地走过去？PID、MPC这些就派上用场了。
这门课会从第二层切入，但第一层和第三层我们也会涉及。毕竟，做工程不能只盯着自己那一亩三分地。
我的经验：我在项目中遇到过一位同事，花了两周调A*算法，结果发现是激光雷达的安装角度偏了2度。嗯，从那以后我养成了一个习惯——先检查传感器，再怀疑算法。
1.2 避障技术概览：从「撞墙」到「优雅绕行」
避障技术发展到现在，大致经历了三个阶段。我简单给你捋一捋：
| 阶段 | 代表方法 | 特点 | 我踩过的坑 |
|---|---|---|---|
| 第一阶段 | Bug算法、势场法 | 简单粗暴，容易陷入局部最优 | 势场法在U型障碍物里直接「自闭」 |
| 第二阶段 | DWA、TEB、A* | 考虑运动学约束，路径更平滑 | DWA参数调不好，机器人像喝醉了酒 |
| 第三阶段 | 强化学习、模仿学习 | 能处理动态、复杂场景 | 训练时间太长，一度怀疑人生 |
咱们这门课重点放在第三阶段——强化学习。为什么？因为前两个阶段的方法，说白了都是「手工设计规则」。你想想看，现实世界那么复杂，规则能写得完吗？
强化学习的思路不一样——让机器人自己试错，自己总结规律。我在做仓储机器人项目时试过传统方法，遇到行人突然横穿，机器人直接傻掉。后来换成强化学习，虽然训练过程痛苦，但效果确实好。
注意：强化学习不是万能的。它需要大量的训练数据，而且训练过程不稳定。我曾经有一个模型训练了三天三夜，结果发现奖励函数写错了……嗯，这种痛，经历过才懂。
1.3 ROS与Gazebo仿真环境搭建
好，理论说完了，咱们动手。ROS和Gazebo是机器人领域的「标配」。我建议你直接用ROS Noetic + Gazebo 11，这个组合最稳定。
安装步骤其实不复杂，但有几个坑我得提前告诉你：
# 1. 安装ROS Noetic（Ubuntu 20.04）
sudo apt update
sudo apt install ros-noetic-desktop-full
# 2. 安装Gazebo 11
sudo apt install gazebo11
sudo apt install ros-noetic-gazebo-ros-pkgs ros-noetic-gazebo-ros-control
# 3. 初始化工作空间
mkdir -p ~/catkin_ws/src
cd ~/catkin_ws
catkin_make
source devel/setup.bash安装完成后，我建议你跑一下官方示例，验证环境是否正常：
roslaunch gazebo_ros empty_world.launch如果看到一个空荡荡的仿真世界，恭喜你，环境搭好了。
避坑指南：我曾经在安装时遇到依赖冲突，折腾了一整天。后来发现是Python版本的问题。ROS Noetic要求Python 3，如果你系统里同时有Python 2和Python 3，记得把默认版本切到Python 3。
1.4 传感器模型配置
环境搭好了，接下来要给机器人装上「眼睛」。常用的传感器有三种：
- 激光雷达（LiDAR）：精度高，但只能感知二维平面。适合室内场景。
- 深度相机（RGB-D）：能获取三维信息，但受光照影响大。
- 超声波传感器：便宜，但精度低，适合近距离探测。
我个人习惯用激光雷达做主要避障，深度相机做辅助。为什么呢？因为激光雷达的数据处理起来简单，实时性好。深度相机的点云数据量大，处理起来费劲。
在Gazebo里配置激光雷达，你需要写一个URDF文件。我给你一个简单的示例：
<link name="laser_link">
<visual>
<geometry>
<cylinder length="0.05" radius="0.05"/>
</geometry>
<origin rpy="0 0 0" xyz="0 0 0"/>
</visual>
</link>
<joint name="laser_joint" type="fixed">
<parent link="base_link"/>
<child link="laser_link"/>
<origin rpy="0 0 0" xyz="0.1 0 0.2"/>
</joint>
<gazebo reference="laser_link">
<sensor type="ray" name="laser_sensor">
<ray>
<scan>
<horizontal samples="360" resolution="1" min_angle="-3.14159" max_angle="3.14159"/>
</scan>
<range min="0.1" max="10.0" resolution="0.01"/>
</ray>
<plugin name="laser_controller" filename="libgazebo_ros_laser.so">
<topicName>/scan</topicName>
<frameName>laser_link</frameName>
</plugin>
</sensor>
</gazebo>这个配置定义了一个360度、探测距离10米的激光雷达。你把它加到机器人模型里，就能在Gazebo里看到激光扫描线了。
注意：传感器配置里有一个很容易忽略的参数——resolution。这个参数控制的是噪声模型。如果你把它设成0，仿真数据会过于理想，跟真实情况差很远。我建议设成0.01到0.05之间，模拟真实传感器的噪声。
1.5 本章知识体系总览
说了这么多，我画了一张图帮你理清思路。这张图涵盖了本章的核心知识点和它们之间的关系：
这张图把本章内容串起来了。你看，感知层负责「看」，规划层负责「想」，控制层负责「动」。而ROS和Gazebo就是咱们的「练兵场」。后面几章，我们会一步步把这张图里的每个模块都实现出来。
我的建议：别急着往下看。先把环境搭好，跑通一个简单的激光雷达仿真。我当年就是太着急，结果后面调试时才发现环境有问题，回头重来，浪费了两天时间。磨刀不误砍柴工，真的。
好，第一章就到这里。环境搭好了，传感器配好了，咱们下一章就开始写真正的避障算法了。到时候，我会带着你从最简单的DWA算法开始，一步步过渡到强化学习。